Awesome GitHub RepositoriesAnalysis Toolkits

This PyTorch-based deep learning library provides a framework for analyzing and forecasting temporal data. It implements specialized architectures for time series forecasting, anomaly detection, data imputation, and classification. The project distinguishes itself through the inclusion of zero-shot inference capabilities, allowing large-scale temporal models to be evaluated on unseen datasets without requiring task-specific fine-tuning. The framework covers a broad range of analytical capabilities, including the recovery of missing values in incomplete datasets, the identification of irregul

sktime is a machine learning framework for time series analysis. It provides a unified toolkit for implementing time series classification, forecasting, and anomaly detection using standardized machine learning interfaces. The library serves as a collection of tools for assigning categorical labels to temporal sequences, predicting future values based on historical patterns, and identifying outliers or unusual patterns within temporal data. The framework includes capabilities for panel-data handling and pipeline-based transformations. It utilizes a unified API wrapper and plugin-based model

Darts is a Python time series library designed for forecasting, anomaly detection, and the preprocessing of univariate and multivariate temporal data. It serves as a comprehensive framework for training and evaluating a wide range of statistical, machine learning, and deep learning models to predict future numerical values. The toolkit is distinguished by its support for global time series modeling, allowing a single model to be trained across multiple different series to leverage shared patterns. It also features a hierarchical time series manager to ensure consistency between aggregate and

tsai एक डीप लर्निंग लाइब्रेरी है जो टाइम सीरीज क्लासिफिकेशन, रिग्रेशन और फोरकास्टिंग के लिए बनाई गई है। PyTorch और fastai पर आधारित, यह सीक्वेंशियल डेटा को लेबल करने, यूनिवेरिएट या मल्टीवेरिएट सीक्वेंस में भविष्य के मानों का अनुमान लगाने और सेल्फ-सुपरवाइज्ड लर्निंग के जरिए अनलेबल डेटा पर रिप्रेजेंटेशन ट्रेन करने के लिए एक फ्रेमवर्क प्रदान करती है। यह लाइब्रेरी अपनी विशेष टेम्पोरल इंजीनियरिंग और स्केलिंग क्षमताओं के लिए जानी जाती है। इसमें मौसमी पैटर्न को कैप्चर करने के लिए साइक्लिकल टेम्पोरल एन्कोडिंग और उपलब्ध मेमोरी से बड़े डेटासेट को प्रोसेस करने के लिए ऑनलाइन विंडो स्लाइसिंग जैसे टूल्स शामिल हैं। यह मल्टीमॉडल इनपुट पाइपलाइनों को भी सपोर्ट करती है जो स्टेटिक कैटेगोरिकल फीचर्स को डायनामिक कंटीन्यूअस सीक्वेंस के साथ जोड़ती हैं। यह टूलकिट प्रीप्रोसेसिंग और इवैल्यूएशन की जरूरतों को पूरा करती है, जिसमें स्लाइडिंग विंडो सेगमेंटेशन, मिसिंग डेटा इम्प्यूटेशन और टैबुलर डेटाफ्रेम को स्ट्रक्चर्ड टेंसर्स में बदलना शामिल है। मॉडल के प्रदर्शन का आकलन वॉक-फॉरवर्ड वैलिडेशन और फीचर इम्पॉर्टेंस एनालिसिस के जरिए किया जाता है ताकि टेम्पोरल कंसिस्टेंसी सुनिश्चित हो सके।

GluonTS एक प्रोबेबिलिस्टिक टाइम सीरीज़ लाइब्रेरी और डीप लर्निंग फोरकास्टिंग फ्रेमवर्क है। यह न्यूरल नेटवर्क आर्किटेक्चर बनाने, प्रशिक्षित करने और मूल्यांकन करने के लिए एक टूलकिट प्रदान करता है, जो अनिश्चितता को मापने के लिए भविष्य के मूल्यों को प्रायिकता वितरण (probability distributions) के रूप में अनुमानित करते हैं। यह प्रोजेक्ट ज़ीरो-शॉट फोरकास्टिंग का समर्थन करके और डीप प्रोबेबिलिस्टिक न्यूरल नेटवर्क तथा Prophet और R forecast जैसी बाहरी सांख्यिकीय लाइब्रेरी के लिए रैपर सहित विविध मॉडलिंग दृष्टिकोणों को एकीकृत करके खुद को अलग करता है। यह सूचना रिसाव को रोकने और लेटेंट रिप्रेजेंटेशन को वैध प्रायिकता वितरण में मैप करने के लिए कैज़ुअल कन्वोल्यूशन और इनवर्टिबल रेसिड्यूअल नेटवर्क जैसे विशेष आर्किटेक्चरल प्रिमिटिव्स को लागू करता है। यह फ्रेमवर्क टाइम सीरीज़ स्केलिंग, बाइजेक्टिव ट्रांसफॉर्मेशन और पदानुक्रमित मॉडलिंग सहित एक व्यापक डेटा इंजीनियरिंग सतह को कवर करता है। यह उच्च-प्रदर्शन डेटासेट स्ट्रीमिंग और रैंडम-एक्सेस प्रबंधन के लिए Apache Arrow और Parquet का उपयोग करता है। मॉडल मूल्यांकन के लिए, इसमें क्वांटाइल लॉस और कंटीन्यूअस रैंक प्रोबेबिलिटी स्कोर जैसे मेट्रिक्स का उपयोग करके पूर्वानुमान सटीकता और प्रोबेबिलिस्टिक कवरेज को मापने के लिए एक मूल्यांकन सूट शामिल है। यह लाइब्रेरी Amazon SageMaker के साथ एकीकरण के माध्यम से मॉडल परिनियोजन (deployment) का समर्थन करती है।

यह PyTorch आर्किटेक्चर का उपयोग करके अनुक्रमिक डेटा (sequential data) में भविष्य के मूल्यों की भविष्यवाणी करने के लिए एक डीप लर्निंग फ्रेमवर्क है। यह लॉन्ग-हॉरिजन और प्रोबेबिलिस्टिक टाइम सीरीज़ प्रेडिक्शन के लिए एक टूलकिट प्रदान करता है, जिसमें सुपरवाइज्ड डीप लर्निंग ट्रेनिंग के लिए टैबुलर डेटाफ्रेम्स को अनुक्रमों में बदलने के लिए एक डेटा पाइपलाइन शामिल है। यह लाइब्रेरी CPUs और GPUs पर मॉडल निष्पादन को स्केल करने के लिए एक ट्रेनिंग रैपर का उपयोग करती है। यह भविष्यवाणी अनिश्चितता को मापने के लिए सिंगल पॉइंट अनुमानों के बजाय भविष्य के परिणामों के लिए संभाव्यता वितरण (probability distributions) के निर्माण का समर्थन करती है। यह फ्रेमवर्क फोरकास्टिंग मॉडल लागू करने, हाइपरपैरामीटर्स को ऑप्टिमाइज़ करने और मल्टी-हॉरिजन मेट्रिक्स के माध्यम से सटीकता का मूल्यांकन करने के लिए क्षमताएं शामिल करता है। यह सरल बेसलाइन मॉडल्स के विरुद्ध जटिल आर्किटेक्चर को बेंचमार्क करने के तरीके भी प्रदान करता है।

statsforecast is a high-performance statistical time series forecasting library designed to generate point forecasts and prediction intervals. It functions as a distributed time series framework that utilizes a C-based forecasting engine and an automated model selector to identify and fit the optimal statistical model for every unique series in a dataset. The system also includes a time series anomaly detector to identify unusual data points by comparing observed values against probabilistic forecast intervals. The project is distinguished by its ability to handle massive-scale parallel forec

Neuralforecast एक न्यूरल टाइम सीरीज़ फोरकास्टिंग लाइब्रेरी है जिसे डीप लर्निंग आर्किटेक्चर का उपयोग करके एक या कई सीरीज़ के लिए भविष्य के मूल्यों की भविष्यवाणी करने के लिए डिज़ाइन किया गया है। यह एक डिस्ट्रीब्यूटेड मशीन लर्निंग फोरकास्टिंग फ्रेमवर्क के रूप में कार्य करता है जो क्रॉस-लर्निंग के माध्यम से सामान्यीकरण (generalization) में सुधार करने के लिए कई टाइम सीरीज़ में ग्लोबल मॉडल्स के प्रशिक्षण को सक्षम बनाता है। यह प्रोजेक्ट एक संभाव्य (probabilistic) फोरकास्टिंग टूलकिट के रूप में खुद को अलग करता है जो एकल बिंदु अनुमानों के बजाय अनिश्चितता अंतराल और संभाव्यता वितरण उत्पन्न करता है। इसमें विभिन्न संगठनात्मक या भौगोलिक स्तरों पर भविष्यवाणियों को उनके कुल योग के साथ सुसंगत बनाए रखने के लिए एक पदानुक्रमित फोरकास्ट रिकॉन्सिलर भी शामिल है। यह लाइब्रेरी क्षमताओं की एक विस्तृत श्रृंखला को कवर करती है, जिसमें एक्सोजेनस वेरिएबल्स का एकीकरण, स्वचालित हाइपरपैरामीटर ऑप्टिमाइज़ेशन और ट्रांसफर लर्निंग शामिल है। यह क्रॉस-वैलिडेशन और स्लाइडिंग विंडो तकनीकों के माध्यम से मॉडल सत्यापन के लिए टूल प्रदान करती है, साथ ही Spark का उपयोग करके कंप्यूट क्लस्टर में प्रशिक्षण वर्कफ़्लो वितरित करने की क्षमता भी प्रदान करती है। यह सिस्टम क्लाउड स्टोरेज एकीकरण के माध्यम से मॉडल पर्सिस्टेंस का समर्थन करता है और ट्रेंड और सीज़नैलिटी जैसे फोरकास्ट घटकों की व्याख्या करने के लिए तंत्र प्रदान करता है।

Deep learning PyTorch library for time series forecasting, classification, and anomaly detection (originally for flood forecasting).

a Python toolbox for machine learning on Partially-Observed Time Series

A toolkit for time series machine learning and deep learning

RNAseq analysis notes from Ming Tang

license-image: https://img.shields.io/badge/License-MIT-blue.svg license-url: https://opensource.org/licenses/MIT pypi-image: https://badge.fury.io/py/tfts.svg pypi-url: https://pypi.python.org/pypi/tfts pepy-image: https://pepy.tech/badge/tfts/month pepy-url:…

Fost - Framework of Fost - Quick Start - Installation - Train with FOST - Data Format - Examples - Contact Us